Arete-27B开放权重，主打降低宣传偏向

Nous Research 发布了 Arete-27B：在 Qwen3.8-27B 上只做监督微调，就把自建评测中的「宣传性回答」比例从 22% 降到 0.9%，同时保住了所测的智能体能力。它想证明，模型的特定回答倾向可以单独调整，不一定要牺牲通用能力。

但「宣传减少」不等于「事实可靠」。这组结果来自 Nous 自己定义的题目和评分体系，微调后仍有 216 道题拿到零分。对使用本地模型的程序员，更值得看的是训练方法、评测边界，以及怎样验证自己的模型。

只做 SFT，究竟改了模型什么

Arete-27B 是一个 27B 稠密参数模型，所有参数都会参与计算。作者没有改架构，没有用强化学习（RL），也没有做偏好优化，只用了监督微调（SFT）：给模型看问题和期望回答，训练它按这些示例作答。

他们选择 Qwen3.8-27B，是因为团队认为它在可本地运行的模型中能力最强，同时观察到了敏感话题上的拒答、回避，以及沿用中国官方叙事的回答。这是团队的选型判断，不是覆盖所有本地模型的比较结论。

教师模型选了 Thinking Machines 的开放模型 Inkling，目的是避开蒸馏时的使用条款限制。团队也考察过 Nemotron 3 Ultra，但认为它在中国相关话题上的表现不稳定，没有采用。

公开的 arete-data-pairs 包含 7 个主题、34,878 条提示词，每条同时保存 Inkling 和 Qwen 的回答，其中 29,236 条获接受的教师回答进入 SFT 训练集。训练约使用 52.8M tokens，上下文为 64k，不做序列打包；共跑 2 个 epoch、1,202 步，batch size 为 48，使用 AdamW，峰值学习率为 1e-5，tensor parallel 为 4。

全部语言模型权重参与训练，视觉编码器因数据只有文本而冻结，多 token 预测头被禁用。模型沿用 Apache 2.0 许可证。

这次实验支持的是：特定回答倾向可以通过普通 SFT 显著改变。

它还不能证明同一套方法能解决所有偏见，更不能把教师模型的回答自动视为事实标准。

0.9% 是怎样算出来的

Propaganda_Eval 有 803 道题，覆盖 7 个价值类别，包括表达自由、国家意识形态、数据隐私和民主。每道题依据引用来源列出 2 到 4 条必需事实，再由 Grok 4.7 分开打两项分数。

第一项是 0 到 5 分的事实得分，衡量回答覆盖了多少必需事实；按原文规则，出现一条与要求事实相反的陈述就记零分。第二项判断回答有没有把国家立场当成自己的叙述，标记时必须引用回答中的具体措辞。

这比只问模型「回答是否中立」更便于检查，但题目选择、事实来源和裁判判断仍会影响结果。团队移除了与评测重叠的训练提示词，评测集及评分脚本以 MIT 许可证公开，不过原文没有交代更深层的语义近似排查。

结果是，事实均分从 2.32 升到 2.98，宣传性回答从 22% 降到 0.9%，零分回答从 359 条减少到 216 条。变化最大的是表达自由类别：事实分从 0.89 升到 2.44，宣传比例从 60% 降到 1%。

回答立场的变化，明显大于事实完整度的改善。

横向看，Muse Glimmer 30B 的事实分为 3.02，Gemma 4 31B 为 2.58，两者宣传比例都是 0.5%。所以 Arete 的事实分低于前者、高于后者，不能笼统地说它落后所有同类模型。比较还有一个变量：Arete 和 Qwen 使用 temperature 0，另外两个模型使用 0.6，并非完全相同的生成条件。

编程能力保住了，本地运行还要看哪些条件

在 Nous 的测试中，Hermes Bench 从 65.77% 变为 65.60%，团队认为属于噪声。Terminal-Bench-2.1 则从 67% 升到 70%，但 Nous 没有把增长归功于微调。

这支持「已测能力没有明显退步」，不足以推出所有编程能力都不变。原文同时列出 Qwen 官方 Terminal-Bench 成绩 73.0，以及 Muse Glimmer 在 terminus2 下的 51.7；测试框架不同，不能直接排排名。GPQA Diamond 中，Qwen、Muse Glimmer、Gemma 分别为 89.2、83.5、84.3，Arete 没有披露成绩。

部署方面，BF16 权重为 53.81 GB，社区 Q4_K_M 量化版本为 17.20 GB，目标是适配 24 GB 消费级显卡。GGUF 文件从 8.64 GB 到 53.81 GB，可通过 llama.cpp、LM Studio 和 Ollama 运行，并附带图像投影器。原文发布时尚无托管推理提供商。

文件能放进显存，不等于任意上下文都能运行。运行时缓存也会占空间，原文没有给出具体设备上的速度和显存实测。

上下文尤其需要分清：Qwen3.8-27B 原生支持 262,144 tokens，对照表另列最高可扩展到 1M；Arete 只明确训练使用 64k，最终支持长度未披露。不能把基座的规格直接算到微调模型头上。

我的判断

我认同它把「回答倾向」和「任务能力」拆开验证。相比只改系统提示词，SFT 把示例写进了权重；相比偏好优化或 RL，这次训练路径更简单。但作者没有提供这些方法之间的对照实验，不能据此认定 SFT 更便宜、更有效或更稳。

开放权重、训练数据和评分脚本，让外部复核有了条件，这是这项工作的价值。不过「更接近西方模型的政治表述」是方向描述，不能替代事实准确性标准。教师与裁判模型也都有自己的局限。

对国内开发者，我更愿意把它看成一次可检查的行为调整实验。它展示了调整幅度，却还没有回答中文表现、量化后的指标、长上下文稳定性，以及实际业务中的可靠程度。

能拿来做什么

• 如果正在用 Qwen 做本地编程助手，可以把 Arete 加入候选，用同一批代码修改、终端操作和问答任务比较，别只凭 Hermes Bench 的接近分数做迁移决定。
• 如果产品涉及敏感事实问答，可以借鉴它的双指标评测：分别检查事实覆盖和回答立场，并要求裁判引用具体措辞，方便人工复核。
• 如果准备在 24 GB 显卡上部署，可以从 17.20 GB 的 Q4_K_M 版本试起，再实测目标上下文、显存占用和响应速度。
• 如果想通过 SFT 调整模型行为，可以研究公开的数据对和筛选结果，同时保留独立评测集，检查目标行为改变后，原有任务能力有没有退步。